Documentos de Académico
Documentos de Profesional
Documentos de Cultura
maxima probabilidad
Estadı́stica I.
1
INTRODUCCIÓN
Estadı́stica I.
2
INTRODUCCIÓN
Aparte del método de máxima verosimilitud, existen otros métodos para en-
contrar estimadores, como por ejemplo el método de los momentos, método
por analogı́a, entre otros, los cuales no se estudian en este curso.
Estadı́stica I.
3
INTRODUCCIÓN
12 −1 (1,5)2 −1,5
P(X = 2, λ = 1) = e = 0,1839 P(X = 2, λ = 1,5) = e = 0,2510
2! 2!
22 −2 (2,5)2 −2,5
P(X = 2, λ = 2) = e = 0,2707 P(X = 2, λ = 2,5) = e = 0,2565
2! 2!
32 −3
P(X = 2, λ = 3) = e = 0,2240
2!
Estadı́stica I.
4
INTRODUCCIÓN
Note que para λ = 2 P(X = 2) es máxima, esto nos indica que la observación
X = 2 tiene una probabilidad de mayor ocurrencia para una distribución de
Poisson con λ = 2 que para cualquier otro valor del parámetro λ.
Estadı́stica I.
5
INTRODUCCIÓN
Estadı́stica I.
6
INTRODUCCIÓN
Veamos si λ = 2 es un máximo
∂2P(X = 2, λ) 1 h −λ i 1
−λ − 2λe−λ + λ2e−λ = e−λ[2 − 4λ + λ2 ]
= 2e − 2λe
∂λ2 2 2
Reemplazando λ = 2 en la segunda derivada, se tiene
Estadı́stica I.
7
INTRODUCCIÓN
Estadı́stica I.
8
ESTIMADORES DE MAXIMA VEROSIMILITUD
Definición:
Sea X1, . . . , Xn una muestra aleatoria de una función f que depende de un
parámetro θ (o vector de parámetros), la cuál escribimos como f (x; θ).
Estadı́stica I.
9
ESTIMADORES DE MAXIMA VEROSIMILITUD
Estadı́stica I.
10
ESTIMADORES DE MAXIMA VEROSIMILITUD
Nota
Estadı́stica I.
11
ESTIMADORES DE MAXIMA VEROSIMILITUD
Ejemplo 1
Sea X1, . . . , Xn una muestra aleatoria de una distribución Bernoulli con parámetro
p. Halle el MLE para p.
Sln:
La función de masa de probabilidad de una Bernoulli con parámetro p es de
la forma:
Estadı́stica I.
12
ESTIMADORES DE MAXIMA VEROSIMILITUD
n
= ∏ pxi (1 − p)1−xi
i=1
n n
∑ xi n− ∑ xi
= pi=1 (1 − p) i=1
Estadı́stica I.
13
ESTIMADORES DE MAXIMA VEROSIMILITUD
l(p) = ln(L(p))
n n
∑ xi n− ∑ xi
= ln pi=1 (1 − p) i=1
n n
∑ xi n− ∑ xi
= ln pi=1 + ln (1 − p) i=1
!
n n
= ∑ xi ln(p) + n − ∑ xi ln(1 − p)
i=1 i=1
Estadı́stica I.
14
ESTIMADORES DE MAXIMA VEROSIMILITUD
Estadı́stica I.
15
ESTIMADORES DE MAXIMA VEROSIMILITUD
n
! n − ∑ xi
1 n 1 n 1 − p̂
=⇒ ∑ xi =
p̂ i=1 1 − p̂
n − ∑ xi =⇒
p̂
= n
i=1
i=1 ∑ xi
i=1
1 n 1 n
=⇒ − 1 = n − 1 =⇒ p̂ = ∑ xi
p̂ n i=1
∑ xi
i=1
n
1
Verificar que p̂ = n ∑ xi es un máximo.
i=1
n
1
Nota: En este caso p̂ = n ∑ xi no se puede ver como un promedio, puesto
i=1
que la variable aleatoria toma valores de cero y uno, ası́ que p̂ es una propor-
ción
Estadı́stica I.
16
ESTIMADORES DE MAXIMA VEROSIMILITUD
Ejemplo 2
Sea X1, . . . , Xn una muestra aleatoria de una distribución Poisson con parámetro
λ desconocido. Halle el MLE para λ.
Sln:
La función de masa de probabilidad de una Poisson con parámetro λ es de la
forma:
λx −λ
p(x, λ) = e λ>0
x!
Estadı́stica I.
17
ESTIMADORES DE MAXIMA VEROSIMILITUD
n λxi
= ∏ e−λ
i=1 xi !
n
∑ xi
λi=1 e−nλ
=
∏ni=1 xi!
Estadı́stica I.
18
ESTIMADORES DE MAXIMA VEROSIMILITUD
l(λ) = ln(L(λ))
n
∑ xi
λi=1 e−nλ
= ln
∏ xi!
n
i=1
n !
∑ xi n
= ln λi=1 + ln(e−nλ) − ln ∏ xi!
i=1
!
n n
= ∑ xi ln λ − nλ − ln ∏ xi!
i=1 i=1
Estadı́stica I.
19
ESTIMADORES DE MAXIMA VEROSIMILITUD
∂l(λ) n x
= ∑ i −n
∂λ i=1 λ̂
0
Si λ̂ es el MLE, entonces l (λ̂) = 0, ası́
n x n x n x
∑ λ̂ − n = 0 =⇒ ∑ λ̂ = n =⇒ λ̂ = ∑ n = X̄
i i i
i=1 i=1 i=1
Estadı́stica I.
20
ESTIMADORES DE MAXIMA VEROSIMILITUD
Ejemplo 3
Sea X1, . . . , Xn una muestra aleatoria de una distribución normal con media µ y
varianza σ2, ambas desconocidas. Halle los estimadores máximo verosı́miles
para µ y σ2.
Sln:
Recordemos que la f.d.p de una normal es
1 − 12 (x−µ)2
f (x) = √ e 2σ x ∈ R, µ ∈ R, σ > 0
2πσ
Estadı́stica I.
21
ESTIMADORES DE MAXIMA VEROSIMILITUD
n
1
− 2 ∑ (xi−µ)2
= (2πσ2)−n/2e 2σ i=1
n
1
− 2 ∑ (xi−µ)2
= (2π)−n/2(σ2)−n/2e 2σ i=1
Estadı́stica I.
22
ESTIMADORES DE MAXIMA VEROSIMILITUD
n
− 12 ∑ (xi−µ)2
= ln((2π)−n/2) + ln((σ2)−n/2) + ln e 2σ i=1
n n 1 n
= − ln(2π) − ln(σ ) − 2 ∑ (xi − µ)2
2
2 2 2σ i=1
Estadı́stica I.
23
ESTIMADORES DE MAXIMA VEROSIMILITUD
∂l(µ, σ2) 1 n 1 n
= − 2 ∑ (xi − µ)(−2) = 2 ∑ (xi − µ)
∂µ 2σ i=1 σ i=1
∂l(µ, σ2) 1 n 1 n
n 1 2 −1 n
∂σ2
=−
2 σ2
− ∑ i
2 i=1
(x − µ)
σ4
= − 2 + 4 ∑ (xi − µ)2
2σ 2σ i=1
Estadı́stica I.
24
ESTIMADORES DE MAXIMA VEROSIMILITUD
1 n n n n 1 n
∑ (xi − µ̂) = 0 =⇒ ∑ xi − ∑ µ̂ = 0 =⇒ ∑ xi = nµ̂ =⇒ µ̂ = n ∑ xi = X̄
σ2 i=1 i=1 i=1 i=1 i=1
n 1 n 1 n n 1 n σ̂4
− 2 + 4 ∑ (xi − µ̂) = 0 =⇒
2
∑ (xi − X̄)2 = =⇒ ∑ (xi − X̄)2 = = σ̂ 2
2σ̂ 2σ̂ i=1 2σ̂4 i=1 2σ̂2 n i=1 σ̂2
1 n
=⇒ σ̂ =
2
n i=1∑
(xi − X̄)2 = Sn2
Estadı́stica I.
25
ESTIMADORES DE MAXIMA VEROSIMILITUD
Ejemplo 4
Sea X1, . . . , Xn una muestra aleatoria de una población con función de densi-
dad de probabilidad dada por
1 α−1 (− βx )
f (x) = x e ; x > 0, α > 0 y β > 0
Γ(α)βα
Si α es conocida, ¿cuál es el MLE para β?
Estadı́stica I.
26
ESTIMADORES DE MAXIMA VEROSIMILITUD
Sln:
Función de verosimilitud
n 1 xi
α−1 (− β )
L(α, β) = ∏ α xi e
i=1 Γ(α)β
x1 x2
1 α−1 (− β ) 1 α−1 (− β ) 1 α−1 (− xβn )
= x e · x e ··· x e
Γ(α)βα 1 Γ(α)βα 2 Γ(α)βα n
n x
1 n − ∑ βi
= ∏ xiα−1e i=1
[Γ(α)]nβnα i=1
Estadı́stica I.
27
ESTIMADORES DE MAXIMA VEROSIMILITUD
n x
1 n − ∑ βi
= ln ∏ i xα−1e i=1
[Γ(α)]nβnα i=1
" # n x
n − ∑ βi
−n + ln β ∏ xiα−1
−nα
= ln [Γ(α)] + ln + ln e i=1
i=1
n 1 n
= −n ln[Γ(α)] − nα ln(β) + (α − 1) ∑ ln xi − ∑ xi
i=1 β i=1
Estadı́stica I.
28
ESTIMADORES DE MAXIMA VEROSIMILITUD
∂l(α, β) nα 1 n
= − + 2 ∑ xi
∂β β β i=1
Igualamos a cero
nα 1 n 1 n nα 1 n β2
− + 2 ∑ xi = 0 =⇒ 2 ∑ xi = =⇒ ∑ xi =
β β i=1 β i=1 β nα i=1 β
!
1 1 n X̄
=⇒ β =
α ∑ xi
n i=1
=
α
Estadı́stica I.
29
ESTIMADORES DE MAXIMA VEROSIMILITUD
Ejemplo 5
Sea X1 = 0,5; X2 = 0,7; X3 = 0,8; X4 = 0,9; X5 = 0,4 una muestra aleatoria de
una población con función de densidad de probabilidad dada por
Estadı́stica I.
30
ESTIMADORES DE MAXIMA VEROSIMILITUD
Sln:
Función de verosimilitud
n
L(k) = ∏ (k + 1)xik
i=1
n
= (k + 1)n ∏ xik
i=1
Estadı́stica I.
31
ESTIMADORES DE MAXIMA VEROSIMILITUD
l(k) = ln(L(k))
" #
n
= ln (k + 1)n ∏ xik
i=1
" #
n
= ln [(k + 1)n] + ln ∏ i
x k
i=1
n
= n ln(k + 1) + k ∑ ln(xi)
i=1
La derivada
∂l(k) n n
= + ∑ ln(xi)
∂k k + 1 i=1
Estadı́stica I.
32
ESTIMADORES DE MAXIMA VEROSIMILITUD
Igualamos a cero
n n n n n
+ ∑ ln(xi) = 0 =⇒ = − ∑ ln(xi) =⇒ k̂ + 1 = − n
k̂ + 1 i=1 k̂ + 1 i=1 ∑ ln(xi)
i=1
Luego
5
k̂ + 1 = = 2,179
ln(0,5) + ln(0,7) + ln(0,8) + ln(0,9) + ln(0,4)
Ası́
k̂+1 2,179
1 1 1
θ̂ = P X < = = = 0,049
4 4 4
Estadı́stica I.
33